Carnegie Mellon Revoluciona Análise Esportiva: Insights Baseados em Dados para Vantagem Competitiva

Os analistas esportivos de hoje têm acesso a mais — e melhores — dados do que nunca. Especialistas da Universidade Carnegie Mellon estão transformando esses dados em insights, usando estatística e ciência de dados para ajudar equipes profissionais a ganhar vantagem competitiva.

"A cada décimo de segundo, os chips Next Gen da NFL fornecem informações sobre onde cada jogador está posicionado no campo — a direção em que estão se movendo, a velocidade", disse Ron Yurko, Professor Assistente de Ensino no Departamento de Estatística e Ciência de Dados da CMU e Diretor do Centro de Análise Esportiva da Carnegie Mellon.

O rastreamento de jogadores no campo vai além da NFL.

"A MLB tem informações sobre cada rebatida na Major League Baseball", disse Yurko, que também é parceiro acadêmico da NFL. "No beisebol e basquete, eles têm o que chamam de 'dados esqueléticos de pose', onde sabemos a cada fração de segundo onde estão o cotovelo, o ombro, a patela, no espaço tridimensional."

Claro, a pergunta que todos querem responder — de donos de times, gerentes e treinadores a analistas, apostadores e fãs — é o que fazer com todos esses dados. Continue lendo para uma entrevista exclusiva com a Tech Briefs, editada para extensão e clareza, com Yurko, que sabe exatamente o que fazer com os dados.

Tech Briefs: Que tipo de tecnologia vocês usam para coletar esses dados? E pode explicar em termos simples como tudo funciona?

Yurko: Nós não coletamos pessoalmente os dados na Carnegie Mellon; esses dados vêm da NFL.

A NFL tem chips nas ombreiras de cada jogador em campo. Eles captam onde estão no campo a cada décimo de segundo; quão rápido estão se movendo; a direção em que estão se movendo e mudando; como estão acelerando ao longo da jogada. Então, como pesquisadores, temos acesso a esses dados — seja através de colaborações com a NFL ou lançamentos de dados que eles fornecem — e trabalhamos neles. Que novos insights podemos reunir? E nossos alunos, eles trabalham nesses projetos, participam da competição anual Big Data Bowl da NFL, e isso leva a oportunidades de emprego.

E no nível universitário, o que acontece é que eles não têm chips nas ombreiras dos jogadores de futebol universitário, mas têm uma quantidade incrível de vídeo. E usando tecnologia de visão computacional com IA, podemos converter esse vídeo em tipo de dados muito semelhante ao que vem dos chips na NFL. O que os times da NFL estão trabalhando agora é o mesmo tipo de dados de rastreamento ricos em todo o futebol universitário; eles estão usando isso para descobrir quais jogadores devem recrutar.

Tech Briefs: Pode falar sobre alguns dos chips que eles estão usando?

Yurko: Na NFL, estes são chips RFID — sinais infravermelhos captados dentro dos estádios da NFL. São sistemas de posicionamento local que fornecem dados extremamente ricos que a NFL tem. Além disso, agora a NFL se juntou aos gostos da Major League Baseball e da NBA, onde têm sistemas completos de câmeras ao redor do estádio. E a NFL no ano passado, eles usam esse sistema de câmeras, acho que é o Hawkeye, para captar onde a bola está para marcar a primeira descida — a bola cruza a linha da primeira descida — em vez de lidar com as correntes antigas. Agora isso pode ser automatizado porque eles podem captar o futebol.

A partir dessa mesma tecnologia, a NFL agora tem acesso a onde estão literalmente as mãos, os cotovelos, os joelhos dos atletas — uma representação esquelética completa de jogadores de futebol em campo em frações de segundo. Essa tecnologia agora existe e está sendo usada na NFL. Tem sido usada por times da Major League Baseball e da NBA por vários anos, mas estamos vendo isso agora em outros esportes.

Tech Briefs: Qual liga, você diria, tem a tecnologia mais avançada?

Yurko: Eu diria que, neste momento, a Major League Baseball. Provavelmente foi a mais avançada no uso de tecnologia e estatística — "Moneyball" sendo a história famosa do início dos anos 2000 sobre o uso de dados pelo Oakland A's.

Então, times da Major League Baseball foram definitivamente os primeiros a adotar o pensamento sobre como integrar tecnologia e usar modelagem estatística, machine learning, para entender como avaliar jogadores. Você vê isso não apenas nos times, mas também nos próprios jogadores.

Jogadores vão a esses laboratórios de arremesso — eles estão usando câmeras de alta velocidade, entendendo o que acontece quando modificam a pegada da bola de beisebol; como isso muda as forças e a trajetória e o movimento; criando novos arremessos. E eles estão literalmente usando toda essa tecnologia e dados para se tornarem melhores jogadores. Então, o beisebol está à frente em relação a outros esportes.

Na NFL, quando esses dados de rastreamento dos chips começaram em 2017, isso levou a uma pequena corrida armamentista, onde agora times da NFL estavam começando a contratar cientistas de dados, engenheiros de machine learning, para realmente descobrir como trabalhar com toda essa informação.

Tech Briefs: Você é citado naquele artigo que li dizendo: "Literalmente a cada décimo de segundo, os chips Next Gen Data da NFL fornecem informações sobre a posição, velocidade e direção de cada jogador. A pergunta agora é o que fazer com todos esses dados." Bem, minha pergunta é: Qual a resposta? O que vocês fazem com todos esses dados? Quais são seus próximos passos? Aonde vocês vão a partir daqui?

Yurko: Essa é uma boa pergunta. No que temos trabalhado como pesquisadores, e no que sabemos que está sendo usado por times da NFL, é como caracterizar o movimento que estamos observando e entender que tipo de movimento é de alto valor, posicionamento de alto valor — por exemplo, quais defensores estão jogando a melhor cobertura contra receptores enquanto eles correm rotas. Estas eram um tipo de estatística que não tínhamos acesso antes em box scores tradicionais. Se você tivesse um defensor cobrindo um receptor, e se eles fossem esse defensor incrível que um quarterback nunca tentasse lançar em sua direção, eles nunca conseguiriam uma interceptação, nunca conseguiriam um tackle, nunca teriam estatísticas de contagem.

Transcrição

Se você considerar o futebol como um jantar, olheiros, treinadores, isso é o filé. Análise esportiva para mim é o purê de batatas. É o molho. É algo que pode tornar uma boa refeição uma ótima refeição. Eles fazem olheiros no combine há 40 anos. Quão longe você pode pular? Quão alto você é? Qual a novidade que podemos descobrir? Quando esperamos que esta pessoa seja recrutada? A análise está por trás de praticamente todos os aspectos do jogo. CMSAC é o Centro de Análise Esportiva da Carnegie Mellon, nosso centro para pesquisa, educação e diferentes eventos que temos na Universidade Carnegie Mellon. Nossos alunos se tornaram realmente o padrão do tipo de indivíduos que times profissionais e ligas procuram. Agora temos acesso a frações de segundo onde cada jogador está no campo de futebol devido a chips em suas ombreiras. Então sabemos literalmente a cada décimo de segundo quão rápido estão se movendo, a direção que estão se movendo, qual a orientação de seus ombros. Então no que focamos como grupo é construir metodologia estatística, métodos de machine learning, ferramentas de IA que podem levar a insights acionáveis. Dado este conjunto de dados, podemos ser criativos o suficiente com nossa análise para identificar insights úteis para criar vantagens competitivas para um time? Dentro de uma jogada, podemos literalmente prever onde eles vão terminar no campo, quantas jardas vão ganhar. Qual a probabilidade de conseguirem um touchdown. Certo. Tudo isso requer metodologia bastante sofisticada. O esporte significa muito para tanta gente. Dados dão apenas outra forma de se conectar com o esporte. Ser capaz de pegar dados não estruturados e mergulhar neles e contar uma história é super recompensador. É incrível ver alunos da CMU transformarem suas paixões em carreiras que ajudam a moldar o futuro do futebol profissional.